CN116569908A - 除草装置以及推定植物的分生组织的位置的方法 - Google Patents
除草装置以及推定植物的分生组织的位置的方法 Download PDFInfo
- Publication number
- CN116569908A CN116569908A CN202310118303.2A CN202310118303A CN116569908A CN 116569908 A CN116569908 A CN 116569908A CN 202310118303 A CN202310118303 A CN 202310118303A CN 116569908 A CN116569908 A CN 116569908A
- Authority
- CN
- China
- Prior art keywords
- image
- plant
- weeding
- region
- specific point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds
- A01M21/04—Apparatus for destruction by steam, chemicals, burning, or electricity
- A01M21/046—Apparatus for destruction by steam, chemicals, burning, or electricity by electricity
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D34/00—Mowers; Mowing apparatus of harvesters
- A01D34/01—Mowers; Mowing apparatus of harvesters characterised by features relating to the type of cutting apparatus
- A01D34/015—Cutting mechanisms not covered by another group
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Pest Control & Pesticides (AREA)
- Insects & Arthropods (AREA)
- Multimedia (AREA)
- Catching Or Destruction (AREA)
Abstract
本公开提供一种用于除草的装置或者方法。其中,通过对植物执行激光照射而实施除草的除草装置具备:图像获取部、确定部、设定部、以及照射部。图像获取部构成为,获取包含植物可能存在的范围的图像。确定部构成为,从图像获取部所获取到的图像中确定对象区域,对象区域是存在待被执行激光照射的对象植物的区域。设定部构成为,设定对象区域中的特定地点,特定地点是对应着确定部所确定出的对象区域的形状而规定的地点。照射部构成为,在包含特定地点的规定范围内以比对象区域中的其他范围高的密度执行激光照射。
Description
技术领域
本公开涉及除草装置以及推定植物的分生组织的位置的方法。
背景技术
已知有一种通过照射激光来去除农田中的不需要的植物(即杂草)的除草装置(参照日本专利申请公开2015-53941号公报;日本专利申请公开2015-53942号公报;以及日本专利申请公开2015-62412号公报)。该除草装置通过从不需要的植物的上方照射激光光束,而对不需要的植物造成损伤以使其枯死。朝着利用图像识别处理而识别出的不需要的植物的位置照射激光光束。具体而言,以不需要的植物的分生组织区域为目标而照射激光光束。
发明内容
发明要解决的课题
然而,利用图像识别分生组织区域并非易事,从而有可能导致图像识别的处理时间变长。因此出现了处理负荷增大的问题。
用于解决课题的手段
本公开的一个方面在于提供一种能够抑制处理负荷且能够除草的装置或方法。
本公开的一个方案涉及一种除草装置,其通过对植物执行激光照射而实施除草,除草装置具备:图像获取部、确定部、设定部、以及照射部。图像获取部构成为,获取包含植物可能存在的范围的图像。确定部构成为,从图像获取部所获取到的图像中确定对象区域,对象区域是存在待被执行激光照射的对象植物的区域。设定部构成为,设定对象区域中的特定地点,特定地点是对应着确定部所确定出的对象区域的形状而规定的地点。照射部构成为,在包含特定地点的规定范围内以比对象区域中的其他范围高的密度执行激光照射。
根据如上所述的构成,根据图像上存在植物的区域的形状来确定激光照射位置,因此,与通过图像识别来确定分生组织并且确定激光照射位置的构成相比,能够抑制处理负荷,且能够去除不需要的植物。
在上述除草装置中,对象区域可以是图像中的包含植物存在的范围的矩形区域。设定部可以将矩形区域中的对角线的交点设定为特定地点。
众所周知,在现有技术中,对植物的分生组织执行激光照射,但是,植物的分生组织非常小,如果通过图像识别来确定分生组织,则有可能致使图像识别的处理时间变长,并且有可能导致处理负荷增大。在如上所述而构成的除草装置中,将矩形区域中的对角线的交点推定为植物的分生组织,并执行激光照射,由此,能够抑制处理负荷,且能够去除不需要的植物。
在上述除草装置中,对象区域可以是图像中的包含植物存在的范围的圆形区域。设定部可以将圆形区域的中心设定为特定地点。根据如上所述的构成,能够将圆形区域的中心推定为植物的分生组织,并执行激光照射。因此,能够抑制处理负荷,且能够去除不需要的植物。
在上述除草装置中,对象区域可以是图像中的呈现被识别为植物的对象物的像素集合的区域。设定部可以将区域的重心设定为特定地点。根据如上所述的构成,能够将图像中的呈现被识别为植物的对象物的像素集合的区域的重心推定为植物的分生组织,并执行激光照射。因此,能够抑制处理负荷,且能够去除不需要的植物。
在上述除草装置中,确定部可以将图像中的绿色部分设定为对象区域。根据如上所述的构成,能够有效地从图像中检测出不需要的植物,从而能够以高精度实施除草。
在上述除草装置中,还可以具备能够使该除草装置进行移动的移动机构。根据如上所述的构成,能够容易地使除草装置进行移动,以实施除草作业。因此,能够有效地实施除草。
在上述除草装置中,确定部还可以构成为,能够从图像获取部所获取到的图像中识别出对象植物和除对象植物以外的植物。根据如上所述的构成,能够仅去除应被除去的对象植物,从而能够抑制误将并非除草对象的植物去除的情况。
本公开的一个方案还可以是一种推定植物的分生组织的位置的方法。推定植物的分生组织的位置的方法包括:获取图像;从图像中确定对象区域,其中,对象区域是包含对象植物所存在的范围的呈矩形或者呈圆形的区域;以及将对象区域的中心点推定为分生组织的位置。根据如上所述的构成,由于对应着对象区域的形状来规定中心点,因此,能够抑制过大的处理负荷。
附图说明
图1是实施方式的除草装置的示意图。
图2是示出图1的除草装置的控制装置的构成的框图。
图3是除草处理的流程图。
图4是提取矩形区域中的对角线的交点时的图像的示意图。
图5是提取圆形区域的中心时的图像的示意图。
图6是提取呈现对象物的像素集合的区域的重心时的图像的示意图。
图7是将除绿色部分以外的区域设定成清一色的黑色时的图像的示意图。
图8是对应着矩形区域的面积来设定执行激光照射的范围时的图像的示意图。
图9是对应着圆形区域的面积来设定执行激光照射的范围时的图像的示意图。
图10是对应着呈现对象物的像素集合的区域的面积来设定执行激光照射的范围时的图像的示意图。
具体实施方式
以下参照附图对本公开的示例性的实施方式进行说明。
[1.实施方式]
[1-1.构成]
图1所示的除草系统1例如是用于借助激光照射来去除农田中在农作物P1的周边产生的不需要的植物P2的系统。不需要的植物P2是成为执行激光照射的对象的植物,属于杂草等。除草系统1具备装置主体2、激光照射器3、摄像机4、以及控制装置5。
<装置主体>
装置主体2是保持激光照射器3、摄像机4、以及控制装置5的壳体。此外,装置主体2具有移动机构200。
本实施方式的移动机构200构成为具备多个车轮21。装置主体2构成为借助多个车轮21而在农田上行走。移动机构200可以具有驱动装置。例如,移动机构200可以具有借助马达使车轮21旋转的电动式驱动机构。此外,移动机构200也可以是操作者通过推压或拉拽装置主体2而使其移动的手动式移动机构。
<激光照射器>
激光照射器3构成为从被控制装置5识别出的不需要的植物P2的上方朝着不需要的植物P2照射激光光束L。
激光照射器3借助激光光束L对不需要的植物P2造成损伤(具体而言使其烧损),以此使不需要的植物P2枯死。
作为激光照射器3,可以使用具备电池、振荡器、以及集光部的公知的激光照射装置。激光照射器3的激光光束的波长例如为450nm以上且650nm以下。
激光照射器3可以在装置主体2的移动过程中进行激光照射,也可以在装置主体2处于已停止的状态下进行激光照射。激光照射器3依次对控制装置5所识别出的多个不需要的植物P2进行激光照射。
<摄像机>
摄像机4构成为,获取从上方拍摄到的、混合存在有多个农作物P1以及至少一个不需要的植物P2的农田的图像。
摄像机4所获取的图像中包括多个农作物P1、至少一个不需要的植物P2以及其他物体(例如,如栅栏的结构物等、如石头的障害物等)。摄像机4的拍摄范围伴随着装置主体2的移动而变化。
<控制装置>
控制装置5以具有CPU、ROM、RAM、快闪存储器等周知的微型计算机为中心而构成。CPU执行储存在作为非易失性实体记录介质的ROM中的程序。通过执行该程序来实施与该程序相对应的方法。具体而言,控制装置5依照该程序来执行后述图3所示的除草处理。此外,控制装置5既可以具备一个微型计算机,也可以具备多个微型计算机。
控制装置5具备通过CPU执行程序而得以实现的功能模块,即,如图2所示,作为虚拟的构成元素,控制装置5具备图像获取部51、确定部52、设定部53、以及激光控制部54。用于实现控制装置5所包含的各个部的功能的方式手段不限于软件,也可以使用一个或多个硬件来实现其中一部分功能或所有功能。例如,在通过作为硬件的电子电路来实现上述功能的情况下,该电子电路可以以数字电路、或者模拟电路、亦或数字电路和模拟电路组合的方式来实现。
图像获取部51构成为,获取被摄像机拍摄到的图像,具体而言,图像获取部51构成为,获取包含不需要的植物P2可能存在的范围的图像。
确定部52构成为,从图像获取部51所获取到的图像中确定对象区域,对象区域是存在待被执行激光照射的不需要的植物P2的区域。
设定部53构成为,设定对象区域中的特定地点,其中,特定地点是对应着确定部52所确定出的对象区域的形状而规定的地点。
激光控制部54构成为,指示激光照射器3对特定地点执行激光照射。激光控制部54对激光照射器3输入照射坐标、照射时间、以及照射强度等。
依照激光控制部54的指示,激光照射器3对被确定部52识别为不需要的植物P2的所有植物照射激光光束L。
[1-2.处理]
以下参照图3的流程图对控制装置5所执行的处理的一个示例进行说明。
首先,在S101中,控制装置5获取摄像机4所拍摄到的图像。
接下来,在S102中,控制装置5从图像所显现的物体中提取植物。具体而言,控制装置5对图像所显现的物体的颜色为绿色还是除绿色以外的颜色进行判定。更详细地说,控制装置5提取处在RGB色彩模式呈现绿色的规定范围内的像素。
然后,在S103中,控制装置5针对在S102中被判定为植物的物体,判定该物体是农作物P1还是不需要的植物P2。具体而言,对于图像所显现的物体,控制装置5判定其与预先学习过的杂草的图像特征(例如,色彩的模式、叶子或整体的形状等)是否一致或者是否相似。特别是,针对图像所显现的物体,控制装置5会判定其与预先学习过的杂草的色彩的模式是否相似。作为一个示例,控制装置5对图像进行细小的划分,并对划分好的各个分区判定其颜色的排列与杂草的颜色的排列是否相似。对于图像所显现的物体,控制装置5在判定为其与杂草的色彩的模式相似的情况下,将其判定为不需要的植物P2。
此外,从图像所显现的物体中提取不需要的植物P2的方法不限于此。例如,控制装置5也可以使用通过公知的统计学方法而构建的AI(人工智能)来提取不需要的植物P2。作为统计学方法,可以列举例如监督式机器学习、多变量分析等。在监督式机器学习中,利用机器学习电路对大量的附带标记(即训练数据)的植物图像进行分析,由此来构建判定公式(即分类器)。此外,作为提取不需要的植物P2的方法,可以采用例如周知的模式匹配的方法。在模式匹配中,对作为杂草的形状(尤其是叶子的形状)而预先登记的词典数据与图像所显现的物体的形状是否一致进行判定,由此来判定图像所显现的物体是否为不需要的植物P2。
接下来,在S104中,控制装置5设定特定地点。具体而言,控制装置5首先用矩形圈划出不需要的植物P2所存在的区域。然后,如图4的图像60所示,控制装置5将矩形区域61中的对角线62的交点设定为特定地点S1。在本实施方式中,矩形区域61相当于对象区域。此外,图4~图10是从摄像机4拍摄到的具有规定范围的图像中提取出的一部分图像。
然后,在S105中,控制装置5指示激光照射器3将在S104中设定的特定地点S1作为照射坐标。由此,激光照射器3向不需要的植物P2的特定地点S1照射激光。
[1-3.效果]
根据以上详述的实施方式,能够获得以下效果。
(1a)控制装置5将矩形区域中的对角线62的交点设定为特定地点S1。根据如上所述的构成,与通过图像识别来确定分生组织的构成相比,能够抑制处理负荷,且能够去除不需要的植物P2。以下对其原因进行说明。众所周知,在现有技术中,对不需要的植物P2的分生组织进行激光的照射。但是,不需要的植物P2的分生组织非常小,从而导致难以通过图像识别来确定分生组织。因此有可能致使图像识别的处理时间变长,并且有可能导致处理负荷增大。
在此所述的分生组织大多处在从正上方进行观察到的不需要的植物P2的中心处。因此,根据如上所述的构成,能够将特定地点推定为分生组织,并且执行激光照射。通过将特定地点推定为分生组织,而能够抑制过大的处理负荷。
(1b)除草系统1具备能够使装置主体2进行移动的移动机构200。根据如上所述的构成,能够容易地使装置主体2进行移动,以实施除草作业。因此,能够高效地进行除草。
(1c)除草系统1能够对图像所显现的物体是农作物P1还是不需要的植物P2进行判定。根据如上所述的构成,能够仅去除应被除去的不需要的植物P2,从而能够抑制误将并非除草对象的农作物P1去除的情况。
[1-4.对应关系]
在上述实施方式中,激光照射器3对应于照射部,图像获取部51、确定部52、设定部53、以及激光照射器3对应于除草装置。
[2.其他实施方式]
以上对本公开的实施方式进行了说明,不过,本公开不限于上述实施方式,能够采用各种实施方式。
(2a)在上述实施方式中,例示了除草系统1将矩形区域61中的对角线62的交点设定为特定地点S1,并执行激光照射的构成。不过,设定特定地点的方法不限于此。例如图5的图像70所示,除草系统1也可以将图像70中的包含植物所存在的范围的圆形区域71设定为对象区域,并将圆形区域71的中心设定为特定地点S2。与通过图像识别来确定分生组织的构成相比,该构成也能够抑制处理负荷,且能够去除不需要的植物P2。
此外,例如图6的图像80所示,除草系统1还可以将图像80中呈现被识别为植物的对象物的像素集合的区域81设定为对象区域,并将该区域的重心设定为特定地点S3。具体而言,可以将图像80中的绿色部分(图6中用加粗线圈定的部分)设定为对象区域。该情况下,如图7的图像90所示,将除绿色部分以外的区域(图7中的标示有斜线的部分)设定成例如清一色的黑色,由此,能够更精准地提取不需要的植物P2的形状。与通过图像识别来确定分生组织的构成相比,上述构成也能够抑制处理负荷,且能够去除不需要的植物P2。
(2b)在上述实施方式中,例示了激光控制部54发出对特定地点执行激光照射的指示的构成。不过,执行激光照射的范围不限于此。例如图8~图10所示,激光控制部54也可以针对包含特定地点S1、S2、S3的规定范围内执行激光照射。具体而言,如图8所示,可以对应着矩形区域61的面积来设定执行激光照射的范围63。此外,如图9所示,也可以对应着圆形区域71的面积来设定执行激光照射的范围64。此外,如图10所示,还可以对应着图像中呈现被识别为植物的对象物的像素集合的区域的面积来设定执行激光照射的范围65。
此外,例如,激光控制部54也可以发出在包含特定地点的规定范围内以比对象区域中的其他范围高的密度执行激光照射的指示。具体而言,既可以在包含特定地点的规定范围内以比对象区域中的其他范围高的频率执行激光照射,也可以在包含特定地点的规定范围内以比对象区域中的其他范围高的输出值执行激光照射,还可以在包含特定地点的规定范围内以比对象区域中的其他范围更长的时间来执行激光照射。此外,包含特定地点的规定范围内可以是例如以特定地点为中心、并且对角线的长度约为对象区域的对角线的长度10~50%的矩形的范围内,还可以是以特定地点为中心且直径约为对象区域的直径的10~50%的圆形的范围内。
(2c)上述实施方式的构成也可以用作推定植物的分生组织的位置的方法。具体而言,推定植物的分生组织的位置的方法可以包括:获取图像;从图像中确定对象区域,其中,对象区域是包含对象植物所存在的范围的呈矩形或者呈圆形的区域;以及将对象区域的中心点推定为分生组织的位置。
也可以将例如图4和图5示出的已设定好特定地点S1、S2的图像60、70用作机器学习的训练数据。具体而言,可以将已设定好特定地点S1、S2的图像60、70作为训练数据而输入到机器学习电路中,并且使计算机以特定地点作为分生组织的位置而进行学习。
(2d)在上述实施方式中,例示了具备能够使装置主体2进行移动的移动机构200的构成。不过,装置主体2的移动方式不限于行走的方式。装置主体2也可以是例如能够借助设置于农田的导轨进行移动的结构。装置主体2例如还可以通过飞行来进行移动。此外,装置主体2也可以是不具备移动机构200的构成。
(2e)可以将上述实施方式的一个构成元素所具有的一个或者多个功能分散到多个构成元素中,或者可以将多个构成元素所具有的一个或者多个功能合并到一个构成元素中。此外,也可以省略上述实施方式的构成的一部分。此外,还可以将上述一实施方式的构成的至少一部分添加到上述其他实施方式的构成中,或者将上述一实施方式的构成的至少一部分与上述其他实施方式的构成进行置换等。
(2f)除了上文所述的除草系统1之外,还可以通过以该除草系统1作为构成元素的系统、用于使计算机作为该除草系统1来发挥功能的程序、记录有该程序的介质、提取不需要的植物P2的方法等各种实施方式实现本公开。
Claims (8)
1.一种除草装置,其通过对植物执行激光照射而实施除草,所述除草装置的特征在于,具备:
图像获取部,所述图像获取部构成为,获取包含植物可能存在的范围的图像;
确定部,所述确定部构成为,从所述图像获取部所获取到的所述图像中确定对象区域,所述对象区域是存在待被执行激光照射的对象植物的区域;
设定部,所述设定部构成为,设定所述对象区域中的特定地点,所述特定地点是对应着所述确定部所确定出的所述对象区域的形状而规定的地点;以及
照射部,所述照射部构成为,在包含所述特定地点的规定范围内以比所述对象区域中的其他范围高的密度执行激光照射。
2.根据权利要求1所述的除草装置,其特征在于,
所述对象区域是所述图像中的包含植物存在的范围的矩形区域,
所述设定部将所述矩形区域中的对角线的交点设定为所述特定地点。
3.根据权利要求1所述的除草装置,其特征在于,
所述对象区域是所述图像中的包含植物存在的范围的圆形区域,
所述设定部将所述圆形区域的中心设定为所述特定地点。
4.根据权利要求1所述的除草装置,其特征在于,
所述对象区域是所述图像中的呈现被识别为植物的对象物的像素集合的区域,
所述设定部将该区域的重心设定为特定地点。
5.根据权利要求4所述的除草装置,其特征在于,
所述确定部将所述图像中的绿色部分设定为所述对象区域。
6.根据权利要求1~5中任一项所述的除草装置,其特征在于,
还具备能够使该除草装置进行移动的移动机构。
7.根据权利要求1~6中任一项所述的除草装置,其特征在于,
所述确定部能够从所述图像获取部所获取到的所述图像中识别出所述对象植物和除所述对象植物以外的植物。
8.一种推定植物的分生组织的位置的方法,其特征在于,包括:
获取图像;
从所述图像中确定对象区域,其中,所述对象区域是包含对象植物所存在的范围的呈矩形或者呈圆形的区域;以及
将所述对象区域的中心点推定为分生组织的位置。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022-019042 | 2022-02-09 | ||
| JP2022019042A JP7506103B2 (ja) | 2022-02-09 | 2022-02-09 | 除草装置及び植物の分裂組織の位置を推定する方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116569908A true CN116569908A (zh) | 2023-08-11 |
Family
ID=87538317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310118303.2A Pending CN116569908A (zh) | 2022-02-09 | 2023-02-02 | 除草装置以及推定植物的分生组织的位置的方法 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7506103B2 (zh) |
| CN (1) | CN116569908A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119837105A (zh) * | 2025-03-18 | 2025-04-18 | 北京市农林科学院智能装备技术研究中心 | 除草机器人的激光除草方法及激光除草机器人 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102172233A (zh) * | 2011-03-04 | 2011-09-07 | 江苏大学 | 一种棉田杂草实时识别对靶喷施的方法 |
| CN111523457A (zh) * | 2020-04-22 | 2020-08-11 | 七海行(深圳)科技有限公司 | 一种杂草识别方法及杂草处理设备 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001275541A (ja) * | 2000-03-31 | 2001-10-09 | Fumakilla Ltd | 病害虫防除・除草・殺菌用装置 |
| US9609858B2 (en) * | 2013-09-13 | 2017-04-04 | Palo Alto Research Center Incorporated | Unwanted plant removal system having variable optics |
| US9709987B2 (en) * | 2014-07-31 | 2017-07-18 | Elwha Llc | Systems and methods for deactivating plant material outside of a growing region |
| CN110809402A (zh) * | 2017-07-06 | 2020-02-18 | 拜耳股份公司 | 用于杂草控制的装置 |
| EP3552919A1 (en) * | 2018-04-11 | 2019-10-16 | Bayer AG | A weed control vehicle |
| JP7190143B2 (ja) * | 2018-10-09 | 2022-12-15 | 株式会社スカイマティクス | 診断支援システム及びその方法 |
-
2022
- 2022-02-09 JP JP2022019042A patent/JP7506103B2/ja active Active
-
2023
- 2023-02-02 CN CN202310118303.2A patent/CN116569908A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102172233A (zh) * | 2011-03-04 | 2011-09-07 | 江苏大学 | 一种棉田杂草实时识别对靶喷施的方法 |
| CN111523457A (zh) * | 2020-04-22 | 2020-08-11 | 七海行(深圳)科技有限公司 | 一种杂草识别方法及杂草处理设备 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119837105A (zh) * | 2025-03-18 | 2025-04-18 | 北京市农林科学院智能装备技术研究中心 | 除草机器人的激光除草方法及激光除草机器人 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023116306A (ja) | 2023-08-22 |
| JP7506103B2 (ja) | 2024-06-25 |
| KR20230120562A (ko) | 2023-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fawakherji et al. | Crop and weeds classification for precision agriculture using context-independent pixel-wise segmentation | |
| Shelar et al. | Plant disease detection using CNN | |
| Mayo et al. | Automatic species identification of live moths | |
| JP6829575B2 (ja) | 画像処理装置、画像処理システム及び画像処理方法 | |
| Bhadane et al. | Early pest identification in agricultural crops using image processing techniques | |
| DE112019007102T5 (de) | Endoskopprozessor, informationsverarbeitungsvorrichtung, endoskopsystem, programm und informationsverarbeitungsverfahren | |
| Gentilhomme et al. | Towards smart pruning: ViNet, a deep-learning approach for grapevine structure estimation | |
| EP4064819B1 (de) | Verfahren zum bearbeiten von pflanzen auf einem feld, zum generieren von trainingsdaten und zum trainieren eines neuronalen netzes | |
| US12080051B1 (en) | Camera apparatus and method of detecting crop plants irrespective of crop image data variations | |
| CN116309366B (zh) | 松木的线虫病早期判定方法及装置 | |
| CN116569908A (zh) | 除草装置以及推定植物的分生组织的位置的方法 | |
| Liao et al. | A Deep Multi-Task Learning Approach to Skin Lesion Classification. | |
| Swain et al. | Weed identification using an automated active shape matching (AASM) technique | |
| CN111523457A (zh) | 一种杂草识别方法及杂草处理设备 | |
| Raja et al. | Convolutional neural networks based classification and detection of plant disease | |
| Moradeyo et al. | YOLOv7 applied to livestock image detection and segmentation tasks in cattle grazing behavior, monitor and intrusions | |
| CN117422921A (zh) | 基于Mask RCNN的花椒锈病图像识别方法及系统 | |
| KR102916396B1 (ko) | 제초 장치 및 식물의 분열 조직의 위치를 추정하는 방법 | |
| CN116569907A (zh) | 移动式除草装置 | |
| Chang et al. | Improved deep learning-based approach for real-time plant species recognition on the farm | |
| Chen et al. | Application of region-based convolution neural network on tea diseases and harming insects identification | |
| CN117618103A (zh) | 基于图像导引的皮肤色素祛除激光系统 | |
| CN109712124A (zh) | 超声图像的标记去除方法及装置 | |
| JP2023116312A (ja) | 移動式除草装置 | |
| JP2947141B2 (ja) | 除草ロボットの雑草認識装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |